software

Foldseek 结构搜索实跑,截取同一段结构为什么会得到两个 TM-score

作者:发布于 2026-11-17约 10 分钟阅读
同一片段,为何有两个分数。用刚体移动、截短和反向查询读懂结构匹配。01,移动坐标,内部几何不变,旋转平移后,完整结构仍得到相同匹配。02,短目标满分,查询未覆盖全,30 / 46,两个归一化方向分别读。03,切换模式,重新核对列义,TM-align 模式的 evalue 列不是 E-value。

拿到一张蛋白结构搜索结果表,最容易做的事是按某个分数排序,选第一条作为功能解释。困难在于,同一个几何匹配可以因为归一化长度不同而得到不同分数,改变比对模式还可能改变熟悉字段的含义。如果没有同时检查长度、覆盖范围和运行模式,表面上很高的结构相似性也可能只来自一个短片段。

这篇文章安装了 Foldseek 10.941cd33,用公开结构和人工变换做四组实际搜索。我们保留同一条结构的原始版本、刚体移动版本和截短版本,并加入另一条公开蛋白结构作为比较对象。实验目标是检查输出语义,不是评价真实功能注释的准确率。所有变换、命令和原始输出都在练习包中,可以逐项复核。

同一片段,为何有两个分数。用刚体移动、截短和反向查询读懂结构匹配。01,移动坐标,内部几何不变,旋转平移后,完整结构仍得到相同匹配。02,短目标满分,查询未覆盖全,30 / 46,两个归一化方向分别读。03,切换模式,重新核对列义,TM-align 模式的 evalue 列不是 E-value。
用刚体移动、截短和反向查询读懂结构匹配

为什么先用已知关系的结构做对照

真实数据库里一条未知蛋白命中了某个已知蛋白,我们往往不知道多少差异来自结构本身,多少差异来自模型误差、缺失残基或搜索设置。教学对照可以把这些因素拆开。对一个结构整体旋转和平移,原子间的内部距离没有变化。对它截取前一部分,保留区段的几何形状没有变化,但完整性改变了。两种变换分别帮助检查结构叠合与覆盖解释。

本次使用 RCSB 的 1CRN和 1UBQ坐标文件,只取链甲中的原子记录,并按脚本中明确的规则处理备选位置。第一条结构提供四十六个碳α坐标,另一条为七十六个。查询始终从第一条结构出发,片段只保留其前面三十个残基。

刚体移动对照对全部原子应用同一旋转和平移,保留原子名称和残基对应关系。它只是改变坐标参考系,没有生成新的蛋白构象,更没有进行分子动力学模拟。若把移动前后的坐标直接逐项相减,本次碳α均方根偏差达到约二十八点八三埃,但这个数值没有经过叠合,不能用来证明结构变化很大。

安装、输入和搜索条件

本次固定了容器摘要,实际版本由安装后的程序报告。复现时需要可用的 Docker 和 Python 三。下面先检查安装环境,再执行练习包中的脚本。脚本会从公开来源下载坐标,记录校验值,生成控制文件并运行搜索。

IMG=quay.io/biocontainers/foldseek@sha256:1156a052f31b2afb85257c02e83a962f559c9752273fe1064ab735f90ac29d1a
docker pull "$IMG"
docker run --rm "$IMG" foldseek version

python3 run.py ./work

下载实跑脚本与完整结果。本次目标目录只有四个结构文件,所以使用穷尽搜索来观察所有对照,并把报告阈值放宽。这个选择用于检查字段,不是给真实项目推荐宽松筛选标准。目录里文件数量很少,也不能据此估计对大型结构数据库的搜索时间。

为了避免把列的位置记错,脚本明确列出输出字段,随后按同一字段表解析结果。复现时应保留这份字段定义。如果只是把无表头的结果复制到电子表格,再凭记忆给每列起名,很容易把比例、一致性百分数或不同模式的评分混在一起。

foldseek easy-search query.pdb targets local.tsv tmp_local \
  --threads 1 --exhaustive-search 1 -e 100 --max-seqs 100 \
  --format-output query,target,pident,alnlen,qstart,qend,qlen,tstart,tend,tlen,qcov,tcov,evalue,bits,alntmscore,qtmscore,ttmscore,lddt

刚体移动不会破坏结构匹配

默认局部比对模式中,原始完整目标与移动后的完整目标得到相同结果。两者都对齐四十六个位置,查询和目标覆盖度均为一,按查询长度和目标长度归一化的两项结构分数也均为一。这个结果与我们事先知道的几何关系一致。

它给实际分析的启发是,比较两份坐标时必须先明确是否需要叠合、对应哪些残基、是否只看某条链。直接比较两个文件中的坐标数值,反映的可能只是它们使用了不同参考系。反过来,结构搜索找到了高分匹配,也不代表所有原子的化学环境都相同,因为本例检查的是结构搜索所使用的表示与匹配范围。

这里的对照还有一个实用价值。如果自己转换坐标格式、拆分链或者重编号后,完全相同结构的匹配表现突然大幅变化,应该优先检查预处理。常见排查对象包括残基是否被丢掉、链是否合并、原子名称是否改坏,以及序列与坐标是否仍然一一对应。先用可预期的完整结构验证转换步骤,比直接对未知样本解释异常分数更稳妥。

同一片段,为什么一边是 1,另一边只有 0.6522

片段保留了三十个残基,和完整查询中的对应部分完全相同。在局部搜索输出中,它的序列一致性为百分之百,对齐长度三十,目标覆盖度为一,查询覆盖度约为百分之六十五点二。两项按全长归一化的结构分数分别为零点六五二二和一。

对照 覆盖率
查询 / 目标
TM 分数
查询 / 目标
完整对完整 1 / 1 1 / 1
完整对移动 1 / 1 1 / 1
完整对片段 0.652 / 1 0.6522 / 1
片段对完整 1 / 0.652 1 / 0.6522

前三行展示局部模式,最后一行来自反向的结构比对模式。对这组完全保留坐标的片段,两种模式都呈现相同的长度归一化关系。这个特例非常直观,三十除以四十六约等于零点六五二二。它不表示片段有约三分之一的坐标错了,而是完整查询有一部分没有被这个目标覆盖。

对应版本的官方说明区分了按查询和目标长度归一化的字段。实际读表时,应把两列放在一起。一个目标上的高分可能表示“这条短目标能被完整解释”,同时查询方向的较低分提醒我们“它不能解释整个查询”。

如果研究对象是多结构域蛋白,这种差别尤其重要。一个结构域与已知模板高度相似,可以支持该局部区域的结构关系,却不能直接替整条蛋白选择功能名称。应回到比对坐标,把覆盖区域画到蛋白架构上,再检查未覆盖部分是否包含其他结构域、长连接区或明显不同的末端。

改变比对模式后,不要继续沿用 E-value 的旧解释

第二组使用 --alignment-type 1 切换到结构比对模式。本次完整目标的 evalue 列为一,片段为零点八二六一。如果还用“数值越小越显著”的习惯解释,就会得到片段比完全相同结构更可靠的荒谬结论。

原因是这一模式复用了输出列。对应版本的说明将该列用于两种长度归一化结构分数的平均值,原本的打分列也用于结构分数缩放值。对于本次理想片段,零点六五二二与一的平均值正是零点八二六一。它在这里不是随机命中的期望次数,也不能套用默认局部模式的显著性阈值。

此外,额外请求的结构评分字段可能经过输出阶段的重新计算。我们的另一个公开结构目标中,导出的两项结构分数与内部用于排序的值并不能逐项按简单公式完全复原。因此,文章只用已知几何关系的完整体和片段演示这个换算,不把它推广成所有行的恒等关系。需要精确复核排序时,应结合本版本的实现及原始结果,而不是对任何一列自行改名。

实践上,建议把运行模式写进结果文件名和分析记录,并为不同模式使用不同的字段解释表。合并多批结果之前,先检查它们是否来自相同比对模式、相同数据库和相同输出配置。即使列名完全相同,也不意味着分数可以直接拼在一起排序。

lDDT 为何也会随查询方向改变

这组片段还出现了另一个值得保留的结果。完整结构查询片段时,输出的局部距离差异评分为零点七八零三,而片段反过来查询完整结构时为一。保留的坐标没有被修改,所以不能简单把前者解释成“片段几何结构不准确”。

我们核对了该版本的距离评分实现。它先在查询结构上建立邻近关系和归一化量,再根据对齐关系累计可以比较的距离。对于完整查询,一些邻近残基位于被截掉的部分,不能在片段目标中形成对应比较。反向查询时,查询自身就是片段,参与归一化的邻近关系也随之变化。这与本次观察到的方向差异一致。

由此得到的实际经验是,检查片段、缺失环区或不同边界的结构域时,应记录谁是查询、谁是目标,以及实际比较的残基集合。这个评分也不能直接当成预测模型文件中的逐残基置信度。一个是两份结构按当前匹配计算的比较量,另一个可能来自预测模型自身,来源和问题都不同。

对实验坐标文件,也不要因为某一列在预测文件中常被用来存储置信度,就直接对同名列作同样解释。文件来源、字段约定和预处理方式应一起确认。最省事的检查方法是先把一个已知相同结构与一个明确截短结构放进流程,看结果是否符合当前读表规则。

保留异常值,才能找到字段边界

本次完整结构的 alntmscore 输出为一点零二二,片段为一点零三四,超过了通常期待的上界。我们没有把这些值截成一,也没有据此声称存在“超过完美”的相似性。

进一步检查同版本的结果转换代码,该字段调用使用了端点之差作为归一化长度。这与无缺口对照中四十六除以四十五、三十除以二十九产生的数值相符。这里是结合源码与对照结果作出的解释,不把它扩大成所有版本都会出现的结论,也没有修改上游程序后替换实测输出。

实际报告以归一化对象明确的两项字段、覆盖度和原始坐标为主,保留异常字段供检查。如果直接在清洗时裁剪超界数值,这条线索就消失了。数据清洗应该区分显示需要与原始记录,最好额外增加异常标记列,而不是覆盖原值。

什么时候应该增加双向覆盖限制

第四组在结构比对模式加入 -c 0.9 --cov-mode 0,本次结果只保留原始完整目标和刚体移动目标。片段虽然保留区域完全一致,但覆盖不了查询的大部分长度,因此被排除。这说明覆盖过滤能够限制“短局部解释长整体”的情况。

这种设置适合寻找整体架构接近的候选,却不一定适合发现远缘的单个结构域。如果目标是域级比较,先按可靠边界提取结构域,再单独搜索,通常比对整条长蛋白设置非常严格的覆盖要求更贴近问题。域边界本身也需要证据,不能只为了获得更高分而反复截取。

Foldseek 的实用之处是能把结构检索和可检查的匹配输出衔接起来,适合从大量候选中缩小进一步分析的范围。它的局限在于,搜索命中仍需要回到结构质量、覆盖区段和生物学背景解释。我们这次没有把未知序列预测成结构,也没有验证功能或相互作用。真正有收获的步骤,是用旋转、截短和反向查询三个已知关系,把那些看似熟悉的评分列逐一核对清楚。

当这些检查需要扩展到整批预测结构和本地结构库时,云生信的生物信息学分析服务器服务可以承接环境部署、批量搜索与结果归档。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗